Steamer-I2V – 百度推出的图像到视频生成模型

Steamer-I2V 是百度 Steamer 团队推出的图像到视频生成模型，通过将静态图像转化为动态视频，展现出卓越的视觉生成能力。模型在 VBench 国际权威的视频生成评测中荣获榜首，精准的视觉控制、高清画质以及对中文语义的深刻理解脱颖而出。

新闻资讯 2026-05-08 PPISO

2 0

文章摘要

Steamer-I2V是什么

Steamer-I2V 是百度 Steamer 团队推出的图像到视频生成模型，通过将静态图像转化为动态视频，展现出卓越的视觉生成能力。模型在 VBench 国际权威的视频生成评测中荣获榜首，基于精准的视觉控制、高清画质以及对中文语义的深刻理解脱颖而出。 Steamer-I2V 细粒度的视频结构化描述语言，能实现像素级的画面控制与电影级的构图效果，支持多模态输入，包括中文文本提示、参考图像等，确保生成内容与创意高度一致。采用先进的 Transformer 扩散架构，生成高达 1080P 分辨率的高清视频，通过多阶段监督训练、美学条件微调等策略，优化时间一致性与运动规律性，使视频流畅连贯。

Steamer-I2V的主要功能

图像到视频生成：Steamer-I2V 能将静态图像转换为动态视频，通过生成连贯的帧序列，赋予图像以时间和空间上的动态变化，创造出具有故事性和视觉吸引力的视频内容。
细粒度控制：通过精心设计的拍摄视角和视频描述语言，Steamer-I2V 能实现像素级的画面控制，确保生成视频中的视觉细节、物体运动轨迹、风格属性和镜头语言严格符合预设要求。
多模态输入支持：支持中文文本提示、参考图像和引导信号等多种输入方式，用户可以通过这些输入精确指导视频生成，确保生成内容与创意意图高度一致。
高清视频生成：基于先进的 Transformer 扩散架构，Steamer-I2V 能生成高达 1080P 分辨率的高清视频，具备平滑的过渡效果和逼真的物理运动模式。
优化动态效果：通过多阶段监督训练、美学条件微调和多目标强化学习等技术，模型在时间一致性、电影构图和运动规律性方面进行了针对性优化，确保视频在逻辑上连贯且视觉上连续。
大规模中文多模态数据库：Steamer-I2V 基于亿级规模的中文多模态训练数据，通过“筛选-净化-配比”的三级数据优化系统，确保文本指令与视觉元素之间的语义对齐精度。
文化适应性：能精准捕捉中文语义中的文化特定元素和复杂语义关系，显著提升中文创意指令的视觉转化准确率，使其在中文内容创作领域具有独特优势。

Steamer-I2V的技术原理

Transformer 扩散架构：Steamer-I2V 采用了前沿的 Transformer 扩散架构，能生成高达 1080P 分辨率的高清视频。通过扩散模型的逐步去噪过程，生成连贯且逼真的视频帧序列，结合 Transformer 的强大建模能力，确保视频在时间维度上的连贯性和视觉上的流畅性。
多阶段优化策略：Steamer-I2V 实施了多种优化策略，提升生成视频的质量：
- 多阶段监督式训练：通过从低到高分辨率和帧率的逐步监督微调（SFT），模型能够从宏观控制逐步学习到细节优化。
- 美学条件微调：基于条件控制的微调（CFT）策略，帮助模型深入理解视频美学元素，而不仅仅是表面模仿。
- 多目标强化学习：结合人工全局反馈和多维质量指标进行偏好对齐优化，逐步提升生成精度。
- 提示增强技术：通过多模态大模型分析输入图像，增强原始提示词，预测视频帧中场景或物体的时间演变。
中文语义精准理解：Steamer-I2V 构建了亿级规模的中文多模态训练数据库，通过“筛选-净化-配比”三级数据优化体系，确保文本指令与视觉元素的语义对齐精度。